Unverified50% confidenceFactExact time
行业普遍依赖MMLU、HumanEval、GPQA、SWE-bench等基准测试衡量模型能力
1
Sources
50%
Confidence
Medium-term (~90 days)
Relevance
9/2/2026
First Seen
Valid until: 12/1/2026
Sources
Related Entities
Related Claims
VerifiedAI领域模型能力的可信评估依赖标准化基准测试，常见评测集包括MMLU、HumanEval、MATH、GPQA79% similarUnverified业界普遍依赖 HumanEval、SWE-bench 等基准测试评估LLM编程能力77% similarVerified主流大模型评测基准包括 MMLU、HumanEval/SWE-bench、MATH、GPQA 等77% similarUnverified泛化能力的取舍需要通过MMLU、GSM8K、HumanEval等跨领域测试集系统验证76% similarUnverified标准AI基准测试包括MMLU（涵盖57个学科的综合知识测试）、GPQA（研究生级别专业问答）、SWE-bench（真实软件工程任务）、HumanEval和MBPP（编程能力）、MATH和GSM8K（数学推理）74% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/844605API
curl https://kongchang.com/api/v1/knowledge/claims/844605MCP
get_claim(id=844605)